[發明專利]基于評價模型的紅外圖像自適應數據增強方法

有效

• 申請號: 202011489331.8
• 申請日: 2020-12-16
• 公開（公告）號: CN112561881B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 張典;白俊奇;徐勇;鑒福升;劉羽;石林;朱偉;郝晶晶
• 申請（專利權）人: 南京萊斯電子設備有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/194;G06T5/00;G06T5/30;G06V10/774;G06V10/82;G06N3/0442;G06N3/0464;G06N3/084;G06F17/16
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 馮艷芬

本發明公開了一種基于評價模型的紅外圖像自適應數據增強方法，方法包括：建立和訓練目標檢測模型，并根據模型準確度計算得到基準評價值；建立數據增強評價模型；依次對紅外圖像樣本進行前景背景分離、根據調整變量值后的樣本增強方法處理前景圖像、背景與前景疊加、將疊加圖像填入陣列得到紅外圖像增強樣本；將紅外圖像增強樣本輸入目標檢測模型，并計算新評價值；以樣本增強方法的變量和新評價值作為輸入數據增強評價模型進行訓練；判斷輸出是否滿預設條件，滿足結束迭代，不滿足繼續迭代；將待增強紅外圖像按最優值對應方法進行處理，得到增強后圖像。采用本發明增強后的圖像進行目標檢測，可以防止訓練過擬合。

技術領域

本發明涉及圖像處理技術，尤其涉及一種基于評價模型的紅外圖像自適應數據增強方法。

背景技術

在實際模型訓練時，經常會遇到數據不足的情況，當遇到一個任務時，目前的數據只有幾百，而現有最先進的神經網絡都是使用成千上萬的數據集，這些網絡通常需要大量數據才能避免過度擬合，成功的模型數以百萬計的參數除了對模型的優化措施外，更加關注模型相關的數據，模型參數數量與數據集數量是呈正比的，現實存在無法有效獲得大量符合要去的數據集，數據增強是防止神經網絡模型訓練過擬合的重要手段，對于小樣本數據在深度學習中訓練難的問題。

發明內容

發明目的：本發明為解決圖像數據量小、種類單一、使得神經網絡模型訓練易過擬合的問題，提出一種基于評價模型的紅外圖像自適應數據增強方法，該方法計算復雜度低且易于工程上實現。

技術方案：本發明所述的基于評價模型的紅外圖像自適應數據增強方法包括：

(1)將若干已知檢測目標的紅外圖像樣本劃分為訓練集和測試集，采用訓練集訓練yolov4網絡，并將訓練好的yolov4網絡作為目標檢測模型，再使用測試集測試目標檢測模型，根據模型的準確度計算得到評價值，作為基準評價值；

(2)建立以樣本增強方法的變量為輸入、以數據增強評價值為輸出的BP神經網絡作為數據增強評價模型；

(3)獲取一個紅外圖像樣本，并采用分水嶺算法從紅外圖像樣本中提取前景圖像和背景圖像；

(4)基于上次樣本增強方法的變量值采用控制變量法調整變量值，并根據調整變量值后的樣本增強方法處理前景圖像，得到增強后的前景圖像，其中，樣本增強方法的變量的初始值為0向量；

(5)計算背景圖像與步驟(4)得到的前景圖像的分辨率差異，根據分辨率差異以預設比例進行隨機疊加，生成疊加圖像；

(6)隨機生成多尺度隨機陣列，將疊加圖像隨機填入陣列中進行拼接，得到紅外圖像增強樣本；

(7)將紅外圖像增強樣本輸入目標檢測模型，并根據目標檢測模的輸出的準確度計算得到一個新的評價值；

(8)以步驟(4)調整后的樣本增強方法的變量和步驟(7)得到的新的評價值作為一個訓練樣本，輸入數據增強評價模型進行訓練，通過BP反向傳播方法調整數據增強評價模型參數；

(9)判斷調整后數據增強評價模型的損失L＝||y_eva-y||²是否小于預設閾值，y_eva為數據增強評價模型實際輸出的評價值，y表示基準評價值，如果小于則停止迭代，將此時樣本增強方法的變量作為最終樣本增強方法變量最優值，并執行步驟(10)，如果不小于則返回執行步驟(3)～(8)；

(10)將待增強紅外圖像按照樣本增強方法變量最優值對應的增強方法進行處理，得到數據增強后的圖像。

進一步的，步驟(1)具體包括：

(1-1)獲取若干已知檢測目標的紅外圖像樣本，劃分為訓練集和測試集；

(1-2)采用訓練集訓練yolov4網絡，將訓練好的yolov4網絡作為目標檢測模型；